Multi-Agent Motion Planning with Signal Temporal Logic Constraints

Motion planning algorithms allow us to define a sequence of configurations to guide robots from a starting point to an ending goal while considering the environment’s and the robot’s constraints. As all robots and circumstances are different, motion planning can be adapted to fit into the system’s specifications and the user’s preferences. Temporal Logic (TL) has been used to enable the implementation of more complex missions. In this work, we are interested in using TL to establish the affiliation between robots in a multi-robot system, as well as their affiliation with features in the workspace. More specifically, Signal Temporal Logic (STL) is used to guide motion planning into respecting certain preferences linked to the robot’s motion behavior. In fact, user’s preferences are translated into STL formulas, that need to be respected by the motion planning. To achieve this, RRT* sampling-based algorithm is used to study the free space and to identify the best trajectory with the help of a cost analysis of all possible trajectories found. Here, RRT* is adapted to fit into multi-robot systems and to allow the simultaneous planning of trajectories for multiple robots. The robustness metric of STL quantifies the respect trajectories have for STL formulas and influences the cost function of the RRT*. The impact the robustness has on the cost function is responsible for the selection of trajectories with more respect for the STL formulas. The proposed multi-agent motion planning is tested in simulations with environments containing multiple obstacles and robots. To demonstrate the impact STL has on motion planning, a comparison is made between the trajectories extracted with and without the use of STL. These simulations include specific scenarios and different numbers of robots to test the developed algorithm. They deliver asymptotically optimal solutions. Finally, we conduct some hardware experiments up until four robots to present how the developed motion planning can be implemented in real life. Rörelseplaneringsalgoritmer låter oss definiera en sekvens av konfigurationer för att guida robotar från en startposition till en slutposition medan vi tar hänsyn till robotens och miljöns begränsningar. Eftersom alla robotar och omständigheter är olika kan rörelseplanering anpassas för att passa systemets specifikationer och användarens preferenser. Temporal Logik (TL) har använts för att möjliggöra implementationer av mer komplexa uppdrag. I detta arbete är vi intresserade av att använda TL för att fastställa anslutningen mellan robotar i ett multirobotsystem, samt mellan dessa robotar och egenskaper i deras arbetsmiljö. Mer specifikt används signaltemporär logik (eng: Signal Temporal Logic) (STL) för att anpassa rörelseplanering till att respektera vissa preferenser länkade till robotens rörelsebeteende. Faktum är att användarpreferenser översätts till STL-formler som behöver respekteras av rörelseplaneringen. För att uppnå detta används den samplingsbaserade algoritmen RRT* för att studera den fria ytan och för att identifiera den bästa rörelsebanan med hjälp av en kostanalys av alla funna möjliga rörelsebanor. Här anpassas RRT* för multirobotsystem och för att tillåta planering av rörelsebanor för flera robotar samtidigt. Robushetsmåttet för STL kvantifierar respekten som banorna har för STL-formler och påverkar RRT*: s kostnadsfunktion. Påverkan som robustheten har på kostfunktionen är ansvarig för valet av rörelsebanor som till högre grad respekterar STL-formlerna. Den föreslagna röresleplaneringen för flera agenter (eng: multi-agent) testas i simuleringar av miljöer med flera hinder och robotar. För att demonstrera vilken inverkan STL har på rörelseplanering görs en jämförelse mellan rörelsebanor som ges med och utan användning av STL. Dessa simuleringar inkluderar specifika scenarion och olika antal robotar för att testa den utvecklade algoritmen. De levererar asymptotiskt optimala lösningar. Slutligen genomför vi hårdvaruexperiment upp till och med fyra robotar för att presentera hur den framtagna rörelseplaneringsalgoritmen kan implementeras i verkligheten